我使用weka进行文本分类。首先，我使用StringToWordVector过滤器，过滤后的数据与SVM分类器（LibSVM）一起用于交叉验证。后来我读了一篇博文here
它说首先使用过滤器然后执行交叉验证是不合适的。相反，它建议使用FilteredClassifer。他的理由是
两周前，我写了一篇关于如何在WEKA中链接过滤器和分类器的帖子，以避免在使用文本集合进行实验时误导结果。问题是，在数据中使用N折叠交叉验证（CV）时，不应对完整数据集合应用StringToWordVector（STWV）过滤器，然后对数据执行CV评估，因为您将使用每次运行都会出现在您的测试子集中（但不在您的训练子集中）。
我无法理解这背后的原因。谁知道呢？
答案 0 :(得分：1)
在N折叠交叉验证之前使用过滤器时，尽管是测试实例或列车实例，但您将过滤出现在每个实例中的每个单词。目前Filter无法知道实例是测试实例还是列车实例。因此，如果您将StringtoWordVector与TFTransform或任何类似操作一起使用，则测试实例中的任何单词都可能会影响转换值。 （简单地说，如果你正在实现一些单词，那么你也会考虑测试实例）。这是不可接受的，因为训练参数不应受测试数据的影响。因此，您可以在运行中进行过滤。那是FilteredClassifer。
要了解N折叠交叉验证的工作原理，请参阅Rushdi Shams在以下问题中的答案。如果您理解与否，请告诉我。干杯.. !!